Egy angol szó tokenköltsége valahol 1,2–1,4 között van, viszont én alkalmazott nyelvésznek készültem egy ideig, így megjegyeztem, hogy a magyar agglutináló nyelv. Ha a toldalékot és ragot a szóhoz kapcsolod, mert egyszerűen ilyen anyanyelven írsz az AI-eszközöknek, akkor a tokenköltséged jelentősen megugrik. Hogy pontosan mennyivel, arra vannak már kutatások, de én is lemértem. Ami viszont talán érdekesebb: miért okoz ez valós technológiai hátrányt és mit tehetünk vele? A cikk végén azt is bemutatom, szükséges-e bármilyen módosítás a saját gyakorlatodban, akár ágenshálózatodnál, hogy ne szenvedd el ezeket a károkat.

Vendégszerzőnk: Sipos Zoltán stratégiai AI-szakértő, a Kreatív Kontroll alapítója. Zoli cégét már saját ágenshálózat irányítja. A cikk forrása a közös munkát bemutató Substack-oldala.

Két szám, amelyek ellentmondanak egymásnak, pedig mégsem

A közkeletű állítás az, hogy a magyar a duplája az angolnak tokenben. Az én mérésemben 1,79 jött ki. A Racka nevű magyar LLM-adaptáció tanulmánya, amelyben a Qwen3-4B tokenizáló-termékenysége magyarul 3,1269 token/szó, angolul 1,5705. A kettő hányadosa 1,99. Elsőre azt hittem, tévedtem és rosszul mértem.

Nem erről van szó. Szavanként mérve tényleg majdnem kétszeres a hátrány. Azonos tartalomra mérve viszont 1,8-szoros, mert magyarul kevesebb szóval mondjuk el ugyanazt, mint angolul. Az agglutináció egyszerre okozza a bajt és részben enyhíti is: ahol az angol három külön szót használ egy elöljárószóval, ott a magyar egyet ragoz, egyetlen szóvégződéssel.

Ez a cikk módszertani tanulsága: ugyanaz a jelenség két mértékegységben két számot ad. Mindkettő jóhiszemű mérés lehet. Mielőtt egy tokenköltségszámot továbbadsz egy megbeszélésen, nézd meg, mire vonatkozik: szóra vagy tartalomra. A kettő nem ugyanaz a kérdés, közben a köznyelvben simán felcserélik őket.

A saját mérésem

Mit használtam a mérésre? Az Anthropic count_tokens végpontját a claude-sonnet-4-5-20250929 modellel. Ez pontosan azt a tokenizálót kérdezi meg, amivel a modell tényleg dolgozik, tehát nem külső becslő.

Hogyan mértem? Öt azonos jelentésű magyar–angol szövegpáron. A fordítás szándékosan természetes, nem tükörfordítás, mert a valódi munkában sem szó szerinti fordítás megy ki, hanem ugyanaz a tartalom. Ez a módszertan lényege: azonos tartalmat hasonlítok, nem azonos szavakat.

Az öt szövegtípust úgy választottam, hogy lefedje, mire használunk AI-t: levelezés, műszaki leírás, marketingszöveg, jogi-hivatalos szöveg, hírszöveg.

Ami kijött:

• hétköznapi levélrészlet: 91 / 51 → 1,78
• műszaki leírás: 117 / 67 → 1,75
• marketingszöveg: 93 / 56 → 1,66
• jogi, hivatalos: 91 / 47 → 1,94
• hírszöveg: 73 / 39 → 1,87

∑ 465 / 260 → 1,79

Karakter/tokenre a magyar 2,39, az angol 4,38. Tehát egy 200 ezres kontextusablakba magyarul kb. 477 ezer karakter fér, angolul kb. 876 ezer. 46%-kal kevesebb magyar szöveg, ugyanannyi pénzért.

Ennek gyakorlati következménye van mindenhol, ahol a modell hosszú szöveget lát egyszerre: egy visszakereső rendszer kevesebb dokumentumot tud beemelni egy kérdéshez, egy hosszú szerződés hamarabb közelíti meg a modell felső korlátját, egy hosszú beszélgetés hamarabb kezd felejteni a korai részletekből. Ugyanaz a modell, ugyanaz a képesség, kevesebb fér bele. Ez akkor is így van, ha a számlán semmi nem látszik belőle, mert nem költség, hanem elveszett részlet formájában jelenik meg.

Magyarul a magyarul beszélőnek ugyanaz az egymillió tokenes GPT–5.5- vagy Opus 5-kontextusablak inkább csak 540 ezresnek minősül. Hamarabb felejt a modell, kevesebb részletet lát át. Nem az a baj, hogy magyarul többe kerül, hanem az, hogy kevesebbet tud. Micsoda versenyhátrány!

Az angol anyanyelvű az 1 millió tokenes ablakba 4,4 millió karakternyi információt tud betölteni, a magyarul beszélő meg 2,4 milliót. Ragozzam tovább?

A legrosszabb szorzó a jogi és hivatalos szövegen jön ki, 1,94. Erre a következő szakaszban visszatérek, mert ez nem véletlen egybeesés.

A fordulópont: a hátrány nem nyelvi végzet, hanem tokenizálódöntés

Az ELTE Racka nevű magyar LLM-adaptációja (arXiv 2601.01244) egy Qwen-3 4B alapmodellt tanított tovább LoRA-val 160 milliárd tokenen, ebből 44 százalék magyar, 24 angol, 21 német, 11 kód. A cél kifejezetten a tokenizáló átalakítása volt, nem a modell nyelvtudásának bővítése.

Token/szó a validációs halmazon:

• Qwen3-4B: magyar 3,1269, angol 1,5705, német 2,0502
• Racka-4B: magyar 1,6584, angol 1,9387, német 2,3090

A magyar termékenység 46,96%-kal esett, vagyis majdnem feleannyi tokenből ábrázolható ugyanaz a magyar szöveg, mint az eredeti tokenizálóval. Cserébe az angol 23,44%-kal romlott, a német 12,62%-kal.

A magyar tokenadó nem a nyelv tulajdonsága, hanem egy tervezési döntés következménye a tokenizáló szótárában. A szótár véges méretű, a legtöbb mai modellt pedig túlnyomórészt angol szövegen tanították, tehát a szótár is elsősorban az angolra optimalizálódott (sőt a magyar feltanító szövegek jelentős része is angolról géppel magyarított, szóval nem meglepő, hogy a szövegírásra is korlátozottan jók a modellek, mert sok anglicizmust tartalmaznak, például amit a „nem az, hanem amaz” formulákon is látjuk).

Meg lehet felezni a magyar hátrányt. Csak nem ingyen: valaki másnak fáj cserébe, mert ugyanabban a véges szótárban kell helyet szorítani a magyar szórészeknek, az angol, illetve a német rovására.

Ezt a témát alaposan mutatja be Fekszi Csaba és Fehér Lajos a Jel a Zajban LinkedIn-hírlevelében. Hivatkozzák a HUN-REN Nyelvtudományi Kutatóközpont, valamint a Shanghai AI Laboratory közös kutatását is, érdemes megnézni.

A hátrány nem „csupán” pénz

De pénz IS. Ugyanaz a munka magyarul 1,8-szor annyiba kerül, mint angolul. Ez önmagában még csak kellemetlen, egy sor a számlán.

Kontextus. 46 százalékkal kevesebb magyar szöveg fér egy adott ablakba, tehát egy visszakereső rendszerben kevesebb bizonyíték jut egy kérdésre, mielőtt a modell válaszol. Ez már rontja a választ, nem csak drágítja.

Pontosság. Minden további szavankénti token 8–18 százalékpont pontosságcsökkenést hozott egy magyar nyelvi mércén. Tehát a sűrűbb tokenizálás önmagában, a tudástól függetlenül is mérhető romlást okoz.

Tudás. Ez a legsúlyosabb, ráadásul erről beszélnek a legkevesebbet. A Common Crawl oldalainak 40,8 százaléka angol, 0,53 százaléka magyar, tehát minden 77 angol oldalra jut egy magyar. Ráadásul a magyar webes tartalom jelentős része maga is gépi fordítás angolból, tehát a modell részben fordított magyart tanul, nem eredetit. A modellben egyszerűen kevesebb magyar tudás van, ezt semmilyen ügyes promptolás nem pótolja.

Amit én vettem észre

A legrosszabb szorzó, ahogy fent állt, a jogi, hivatalos szövegen jelentkezik: 1,94. Ez pont azon a területen a legrosszabb, ahol egy friss magyar nyelvi mérce szerint a modellek tudásbeli hiánya is a legveszélyesebb: jog, szabályozás, adó, közigazgatás.

Tehát a két hátrány nem egymástól függetlenül jelentkezik. Ugyanott tetőzik. Ahol a legdrágább kérdezni egy AI-modelltől, ott a legrosszabb is a válasz, ráadásul kevesebb bizonyíték fér a kontextusba, amivel a modell alátámaszthatná. Ezt sehol nem olvastam, saját mérésből jött ki, öt szövegtípuson, tehát fenntartással kezelem, viszont pont ezért érdemesnek tartom megosztani.

Akkor olcsóbb és jobb, ha angolul írsz az AI-odnak?

Ezzel kellett szembenéznem, amikor elkezdtem ágensekre bontani a munkát a saját cégemben, mert az ágensek egymással is szöveg küldésével dolgoznak, nem csak velem. Az előfizetőknek szóló részben megmutatom, milyen szabályokra álltunk át és ez milyen eredménnyel járt.

A szabály

Az ágenseim egymásnak eddig magyarul írtak, a briefek 1500–3000 tokenesek voltak. Lemértem, mennyivel olcsóbb lenne angolul, aztán aznap átálltunk: a brief váza angol lesz, tehát az utasítás, a mércepontok, plusz a technikai leírás. Három dolog viszont magyar marad, mert ezeknél a fordítás vagy pénzbe kerül a hitelességből, vagy egyszerűen felesleges:

• Az én szó szerinti mondataim, mert azok kapun mennek át egy jóváhagyási folyamatban, egy fordított idézet pedig ott érvénytelen lenne.
• Az ügyfél szó szerinti szövege, valamint minden kimenő szöveg, mert azt embernek szánjuk, nem egy másik ágensnek.
• Az ágens jelentése, ha olyan számot visz tovább, ami továbbmegy egy döntéshez, mert egy fordítási kör felesleges kockázat egy már amúgy is pontos adaton.

A mérőprompt, amelyet odaadhatsz egy ágensnek

Ez a saját mérésem promptja, kitisztítva, hogy máson is fusson. Másold be egy AI-ágensnek, aminek van shellhozzáférése és API-kulcsa. Öt perc alatt lefut.

Feladat: mérd le, mennyivel kerül többe MAGYARUL dolgozni egy nyelvi modellel a MI szövegeinken. Nem átlagot akarok, hanem a mi terhelésünket.

1. Válassz ki öt valódi, tőlünk származó szöveget, egyet-egyet ezekből: ügyfélnek írt levél, műszaki vagy termékleírás, marketingszöveg, jogi vagy hivatalos szöveg, tájékoztató hírszöveg. Egyenként 60–150 szó.

2. Írd meg mindegyik TERMÉSZETES angol változatát. Nem tükörfordítás: ugyanaz a tartalom, ahogy egy angol anyanyelvű írná le. Ez a lépés dönti el, hogy a mérés tartalmat mér-e vagy szavakat. Tükörfordítással a szavankénti, tehát nagyobb szorzót kapod vissza, ami nem a te költséged.

3. Számold meg mindkét változat tokenszámát UGYANAZZAL a számlálóval, azzal a modellel, amit tényleg használunk. A tokenizáló modellcsaládonként más, tehát egy másik modell száma nem érvényes ránk.

4. Add vissza táblázatban: szövegtípus, magyar token, angol token, szorzó. Alá súlyozott átlagot, aszerint súlyozva, melyik típusból mennyit gyártunk valójában egy hónapban. Ha nem tudod a súlyokat, kérdezd meg, ne találj ki.

5. Írd meg, melyik típusnál a legrosszabb a szorzó, plusz hogy az a típus embercímzettnek megy-e. Ha embernek megy, a szám akkor sem ok a nyelvváltásra, csak költség-tétel.

A tokenszámláló hívás, ha az ágens Claude-ot használ. A végpont ingyenes, nem számít bele a használatba, tehát nyugodtan futtatható százszor is:

curl -s https://api.anthropic.com/v1/messages/count_tokens -H “x-api-key: $ANTHROPIC_API_KEY” -H “anthropic-version: 2023-06-01” -H “content-type: application/json” -d ‘{”model”:”claude-sonnet-5”,”messages”:[{”role”:”user”,”content”:”IDE JÖN A SZÖVEG”}]}’

A számolás, amellyel a saját tokenadódat megkapod

Két szám kell hozzá, mindkettő kiolvasható a szolgáltatói számládból: a havi bemenő és a havi kimenő tokened.

A képlet: tokenadó = a magyar számlád × (1 – 1 ÷ szorzó)

Az 1,79-es szorzóval ez 0,441. Tehát a magyarul elköltött tokenszámlád 44 százaléka maga a nyelvi felár. Ennyivel fizetsz többet, mint egy azonos tartalommal, angolul dolgozó cég. A jogi, hivatalos szövegen mért 1,94-gyel ugyanez 48 százalék.

Egy konkrét eset. Egy cég havi 20 millió bemenő, plusz 2 millió kimenő tokent használ, magyarul, Sonnet-szintű modellen (3, illetve 15 dollár millió tokenenként):

• bemenet: 20 × 3 dollár = 60 dollár
• kimenet: 2 × 15 dollár = 30 dollár
• havi számla: 90 dollár, körülbelül 32 400 forint 360-as árfolyamon
• ebből a nyelvi felár: 39,7 dollár havonta, tehát nagyjából 14 300 forint
• éves szinten: 171 000 forint, amit kizárólag azért fizetsz, mert magyarul dolgozol

Most jön a rész, amit a legtöbb hasonló számolás elhallgat: ez a felár NEM a megtakarításod. Ez a plafon. A magyarul elköltött összegnek csak azt a részét tudod egyáltalán megpiszkálni, ami gép–gép között mozog, tehát nem embernek szól. Nálunk ez a teljes forgalom töredéke volt. A számolás célja ezért nem az ígéret, hanem a méretezés: ennyivel drágább a keret, amit be kell tervezned.

A szabály, bemásolható formában

Ezt tettük az ágenseink utasításába. Változtasd a saját nyelvedre, aztán tedd a rendszerpromptba:

NYELVI SZABÁLY, ÁGENSEK KÖZÖTTI ÜZENETRE

Az ágensek egymásnak ANGOLUL írnak: az utasítás, a mércepontok és a technikai leírás váza angol.

MAGYAR MARAD, kivétel nélkül:

1. A tulajdonos szó szerinti mondatai. Ezek jóváhagyási kapun mennek át, egy lefordított idézet ott érvénytelen.

2. Az ügyfél szó szerinti szövege és minden kimenő szöveg. Ezt embernek szánjuk, nem ágensnek.

3. Az ágens jelentése, ha olyan számot visz tovább, ami döntéshez megy. Egy fordítási kör felesleges kockázat egy már pontos adaton.

Egy hasznos hüvelykujjszabály a becsléshez

Magyar szöveg körülbelül 2,4 karakter tokenenként, az angol 4,4. Tehát egy 300 000 karakteres dokumentum magyarul nagyjából 125 000 token, angolul 68 000. Ha van egy 200 000 tokenes kontextusablakod, magyarul körülbelül 477 000 karakter fér bele, angolul 876 000. Ez az a becslés, amivel előre megmondod, befér-e egy anyag, mielőtt nekifutsz.

Az őszinte rész

A nyereség briefenként körülbelül 550 token. Napi húsz brief mellett ez napi 11 ezer token. A heti keretünk 30 millió. Ez tehát ezredszázalékos nagyságrend, ki kell mondanom, mert különben úgy hangzana, mintha kihúztunk volna valamit a magas költségünkből, pedig nem.

A valódi tokentömeg nem a briefekben van, hanem abban, amit az ágensek olvasnak: kódot, fájlokat, korábbi üzeneteket, hosszú beszélgetéselőzményeket. Ott dől el a nagy szám, nem a brief fejlécében.

A tanulság ezért nem az, hogy váltsunk angolra mindenben, csak mert lehet. Az, hogy mérj, mielőtt szabályt hozol, plusz mondd ki hangosan, ha a nyereség kicsi.

Ami neked hasznos ebből

Mérj magyarul, a saját feladataidon. Ötven valódi eset elég, olyan kollégával pontozva, aki tudja, mi a jó válasz. Ez kétnapos munka, mégis többet ér minden nyilvános ranglistánál, mert a te feladatodra vonatkozik, nem egy átlagra, amiben a te feladatod egy csepp.

Add meg a modellnek, ami hiányzik neki: magyar tényeket, a rád vonatkozó szabályozást, terméknevet, saját terminológiát egy visszakereső rétegbe, ne várd, hogy a modell magától tudja, mert a tanítóanyagában valószínűleg nem szerepelt.

Tarts verziókövető terminológiai szószedetet, mert a modell konzisztensen fog tévedni ugyanazon a néven, amíg meg nem mondod neki, mi a helyes, aztán újra és újra el kell mondanod, ha nincs ilyen szószedeted.

Tervezd be a tokenadót a költségkeretedbe, ne utólag lepődj meg rajta egy számlán.

Tegyél embert a folyamatba ott, ahol a válasz magyar sajátosságtól függ: jog, szabályozás, adó, közigazgatás. Pont ott jelenik meg a magabiztos téves válasz, plusz pont ott a legdrágább is minden token, amivel a modell megpróbálná bizonyítani.

(A cikk eredetileg a Substack-oldalamon jelent meg.)

A témában írt cikkek:

• 5 hiba, amit ne kövess el a céged AI bevezetése során
• Tokenmaxxing: az Uber négy hónap alatt égette el az egész éves AI-keretét. Ez az új hatékonyság?
• Mit csinálnak másképp a leggyorsabban növekvő B2B cégek? Sales, AI, GTM – kutatás

Fotó:Gemini